局部線性嵌入#
- class sklearn.manifold.LocallyLinearEmbedding(*, n_neighbors=5, n_components=2, reg=0.001, eigen_solver='auto', tol=1e-06, max_iter=100, method='standard', hessian_tol=0.0001, modified_tol=1e-12, neighbors_algorithm='auto', random_state=None, n_jobs=None)[原始碼]#
局部線性嵌入法 (Locally Linear Embedding)。
請參閱使用者指南以了解更多資訊。
- 參數:
- n_neighborsint，預設值為 5
每個點要考慮的鄰居數量。
- n_componentsint，預設值為 2
流形的座標數量。
- regfloat，預設值為 1e-3
正規化常數，乘以距離的局部共變異數矩陣的跡。
- eigen_solver{‘auto’, ‘arpack’, ‘dense’}，預設值為 ‘auto’
用於計算特徵向量的求解器。可用的選項如下：
'auto'：演算法會嘗試為輸入資料選擇最佳方法。'arpack'：在移位-反轉模式中使用 Arnoldi 迭代。對於此方法，M 可以是密集矩陣、稀疏矩陣或一般線性運算子。'dense'：使用標準密集矩陣運算進行特徵值分解。對於此方法，M 必須是陣列或矩陣類型。對於大型問題，應避免使用此方法。
警告
ARPACK 對於某些問題可能不穩定。最好嘗試幾個隨機種子以檢查結果。
- tolfloat，預設值為 1e-6
用於 ‘arpack’ 方法的容差。如果 eigen_solver=='dense'，則不使用。
- max_iterint，預設值為 100
arpack 求解器的最大迭代次數。如果 eigen_solver=='dense'，則不使用。
- method{‘standard’, ‘hessian’, ‘modified’, ‘ltsa’}，預設值為 ‘standard’
- hessian_tolfloat，預設值為 1e-4
Hessian 特徵圖方法的容差。僅在
method == 'hessian'時使用。- modified_tolfloat，預設值為 1e-12
修改後的 LLE 方法的容差。僅在
method == 'modified'時使用。- neighbors_algorithm{‘auto’, ‘brute’, ‘kd_tree’, ‘ball_tree’}，預設值為 ‘auto’
用於最近鄰搜尋的演算法，傳遞給
NearestNeighbors實例。- random_stateint，RandomState 實例，預設值為 None
當
eigen_solver== ‘arpack’ 時，決定隨機數產生器。傳遞一個 int 以便在多個函數呼叫中獲得可重現的結果。請參閱詞彙表。- n_jobsint 或 None，預設值為 None
要執行的平行作業數量。
None表示 1，除非在joblib.parallel_backend環境中。-1表示使用所有處理器。請參閱詞彙表以了解更多詳細資訊。
- 屬性:
- embedding_array-like，形狀為 [n_samples, n_components]
儲存嵌入向量
- reconstruction_error_float
與
embedding_關聯的重建錯誤- n_features_in_int
在 fit 期間看到的特徵數量。
在 0.24 版本中新增。
- feature_names_in_形狀為 (
n_features_in_,) 的 ndarray 在 fit 期間看到的特徵名稱。僅當
X具有全部為字串的特徵名稱時定義。在 1.0 版本中新增。
- nbrs_NearestNeighbors 物件
儲存最近鄰實例，包括 BallTree 或 KDtree（如果適用）。
另請參閱
譜嵌入 (SpectralEmbedding)用於非線性降維的光譜嵌入法。
T 分布隨機近鄰嵌入 (TSNE)分散式隨機鄰居嵌入法。
參考文獻
[1]Roweis, S. & Saul, L. Nonlinear dimensionality reduction by locally linear embedding. Science 290:2323 (2000)。
[2]Donoho, D. & Grimes, C. Hessian eigenmaps: Locally linear embedding techniques for high-dimensional data. Proc Natl Acad Sci U S A. 100:5591 (2003)。
[4]Zhang, Z. & Zha, H. Principal manifolds and nonlinear dimensionality reduction via tangent space alignment. Journal of Shanghai Univ. 8:406 (2004)
範例
>>> from sklearn.datasets import load_digits >>> from sklearn.manifold import LocallyLinearEmbedding >>> X, _ = load_digits(return_X_y=True) >>> X.shape (1797, 64) >>> embedding = LocallyLinearEmbedding(n_components=2) >>> X_transformed = embedding.fit_transform(X[:100]) >>> X_transformed.shape (100, 2)
- fit(X, y=None)[原始碼]#
計算資料 X 的嵌入向量。
- 參數:
- X形狀為 (n_samples, n_features) 的類陣列
訓練集。
- y忽略
未使用，此處為符合 API 慣例而存在。
- 回傳:
- self物件
已擬合的
LocallyLinearEmbedding類別實例。
- fit_transform(X, y=None)[原始碼]#
計算資料 X 的嵌入向量並轉換 X。
- 參數:
- X形狀為 (n_samples, n_features) 的類陣列
訓練集。
- y忽略
未使用，此處為符合 API 慣例而存在。
- 回傳:
- X_new形狀為 (n_samples, n_components) 的類陣列
回傳實例本身。
- get_feature_names_out(input_features=None)[原始碼]#
取得轉換的輸出特徵名稱。
輸出的特徵名稱將會加上小寫的類別名稱作為前綴。例如，如果轉換器輸出 3 個特徵，則輸出的特徵名稱將會是：
["class_name0", "class_name1", "class_name2"]。- 參數:
- input_features字串或 None 的類陣列，預設為 None
僅用於驗證特徵名稱是否與
fit中看到的名稱相同。
- 回傳:
- feature_names_out字串物件的 ndarray
轉換後的特徵名稱。
- get_metadata_routing()[原始碼]#
取得此物件的中繼資料路由。
請查看 使用手冊 以了解路由機制如何運作。
- 回傳:
- routingMetadataRequest
一個封裝路由資訊的
MetadataRequest。
- get_params(deep=True)[原始碼]#
取得此估計器的參數。
- 參數:
- deep布林值，預設為 True
如果為 True，則會回傳此估計器以及包含的子物件（為估計器）的參數。
- 回傳:
- params字典
參數名稱對應到它們的值。
- set_output(*, transform=None)[原始碼]#
設定輸出容器。
請參閱 介紹 set_output API 以取得如何使用 API 的範例。
- 參數:
- transform{"default", "pandas", "polars"}，預設為 None
設定
transform和fit_transform的輸出。"default": 轉換器的預設輸出格式"pandas": DataFrame 輸出"polars": Polars 輸出None: 轉換設定未變更
在 1.4 版本中新增：新增了
"polars"選項。
- 回傳:
- self估計器實例
估計器實例。
